Tag · 10 篇
主动学习
重新审视未知类：迈向高效且有效的开放集主动学习
Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning
提出一种无需独立开放集检测器的统一主动学习框架，利用冻结的对比预训练特征空间进行标签引导聚类，并用 Dirichlet 校准的辅助检测头联合建模已知与未知类，可直接用于视觉任务中标注预算受限下的开放世界数据筛选。
面向目标检测的可移植主动学习
Portable Active Learning for Object Detection
PAL 只依赖推理输出（提案框与分类分数）构造类别级不确定性，并用图像级熵、类别多样性与相似度做批次筛选，因此可直接套用到任意检测器（含开放词表或域偏移场景）的标注预算分配上，无需改动训练管线。
MDS-VQA：面向视频质量评估的模型感知数据选择
MDS-VQA: Model-Informed Data Selection for Video Quality Assessment
提出一种模型感知的数据选择机制，通过失败预测器和多样性度量在有限标注预算下挑选难且多样的视频样本，可直接用于视觉任务中的主动微调与数据高效适配。
学习重要内容：基于相对误差驱动样本选择的优先概念学习
Learning What Matters: Prioritized Concept Learning via Relative Error-driven Sample Selection
为视觉语言模型指令微调提供一种无需额外标注与辅助模型的数据选择机制：按技能维度追踪学习进度，优先采样「尚未掌握且难度适中」的样本，可直接用于构建更省数据、省算力的 VLM 微调流程。
可学习性驱动的子模优化用于主动路侧3D检测
Learnability-Driven Submodular Optimization for Active Roadside 3D Detection
针对路侧单目3D检测提出可学习性驱动的主动学习框架，通过子模优化选择信息量大且可靠可标注的场景，避免固有歧义样本，为数据标注受限下的3D感知提供可复用策略。
标注关键样本：模态平衡与难度感知的多模态主动学习
Label What Matters: Modality-Balanced and Difficulty-Aware Multimodal Active Learning
将样本选择建模为马尔可夫决策过程，用强化学习策略动态调整模态权重与样本难度，可直接迁移到多模态视觉任务（如图像-文本、视频-音频）的主动学习标注流程中。
FluidGaussian：传播基于仿真的不确定性以实现功能智能的三维重建
FluidGaussian: Propagating Simulation-Based Uncertainty Toward Functionally-Intelligent 3D Reconstruction
将流体仿真诱导的不确定性作为主动学习的采样信号，指导多视角采集以提升几何与物理保真度，为物理感知的三维重建提供了可插拔的通用框架。
清洗池子：深度主动学习中未标注池的渐进式过滤
Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning
对视觉研究者而言，REFINE 提供了一种无需预先知道哪种采样策略最优的集成式主动学习流程：先用多策略集成对未标注池做渐进式过滤，再用覆盖度选择挑批，可直接套用到视觉基础模型（如 CLIP、DINOv2）的标注预算受限微调场景，且过滤后的池子能提升任意单一 AL 策略的表现。
敏捷协商：面向主观视觉分类的概念协商
Agile Deliberation: Concept Deliberation for Subjective Visual Classification
对做视觉分类器落地的人，这篇给出了一个可复用的「概念协商」流程：先用层级子概念分解把模糊概念结构化，再主动挑出语义边界样本让用户反馈，从而在概念本身会漂移的主观任务上迭代对齐分类器；其18场、每场1.5小时的用户实验协议也可作为主观分类系统评测的参考。
ActiveAD：面向规划的端到端自动驾驶主动学习
ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving
提出面向规划任务的主动学习采样策略，通过多样性指标解决冷启动、不确定性指标选择关键样本，可复用于视觉模型训练中的数据高效标注场景。